jurimetria_RCE_v9

Read full text Summarise with VIRAT
Authors: Lautaro Nicolás Muñoz Muñoz
Cited by: 0

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

El presente estudio propone la aplicación de técnicas avanzadas de ciencia de datos para modelar la incertidumbre inherente a las decisiones judiciales en materia de responsabilidad civil extracontractual (RCE) en Chile. Se introduce una arquitectura de Mixture of Experts (MoE) bajo un enfoque switching probabilístico, diseñada para capturar la heterogeneidad de los regímenes argumentativos judiciales. El modelo integra conceptos de la teoría de la información —específicamente la entropía de Shannon— para cuantificar los límites de la predictibilidad jurídica. Los resultados empíricos, validados mediante pruebas estadísticas de DeLong y técnicas de bootstrap con 2.000 repeticiones sobre un corpus de 1.083 sentencias de primera instancia (2015–2024), identifican un error de clasificación cross-validado del 22,58% y una frontera informacional de Shannon del 68,2% (H(Y|X) = 0,6250 bits sobre H(Y) = 0,9164 bits), con un AUC de 0,8222 (Accuracy: 77,42%), validando la hipótesis de un núcleo prudencial irreductible en el razonamiento judicial. La metodología integra análisis jurídico dogmático —fundamentado en Alessandri Rodríguez, Barros Bourie y Pizarro Wilson— con herramientas de aprendizaje automático, confirmando que la predictibilidad es parcial, estructurada y epistemológicamente significativa. English: This study applies advanced data science techniques to model the uncertainty inherent in judicial decisions in extracontractual civil liability (RCE) cases in Chile. A Mixture of Experts (MoE) architecture is introduced under a probabilistic switching approach, designed to capture the heterogeneity of judicial argumentative regimes. The model integrates Shannon entropy to quantify the limits of legal predictability. Empirical results, validated through DeLong statistical tests and 2,000-repetition bootstrap techniques on a corpus of 1,083 first-instance judgments (2015–2024), identify a cross-validated classification error of 22.58% and a Shannon informational frontier of 68.2% (H(Y|X) = 0.6250 bits over H(Y) = 0.9164 bits), with an AUC of 0.8222 (Accuracy: 77.42%), validating the hypothesis of an irreducible prudential core in judicial reasoning. Keywords: jurimetrics, mixture of experts, Shannon entropy, logistic regression, extracontractual civil liability, judicial discretion, Chilean judicial system, machine learning, information theory.

Fields of Study & Subjects

Artificial Intelligence in Law Law Economics and Judicial Systems Legal processes and jurisprudence

Publication details

Journal / source
Zenodo (CERN European Organization for Nuclear Research)
Publication date
27 March 2026
Language
ES